Transformers : Le guide définitif (French Edition)

Chapitre 3. Les transformateurs pour les tâches de vision

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

L'un des grands avantages des transformateurs dans ce domaine réside dans leurs capacités d'apprentissage « few-shot » et « zero-shot ». L'étiquetage des images coûte cher, et souvent, il n'y a pas assez d'étiquettes disponibles, comme c'est le cas pour la détection du cancer. Disposer d'un modèle de classification ou de segmentation d'images capable de bien fonctionner avec peu d'échantillons constitue un bond en avant considérable. Cela rend les transformateurs particulièrement précieux pour les tâches où la rareté des données est un problème critique, un défi face auquel les modèles traditionnels basés sur l' des réseaux neuronaux convolutifs (CNN) échouent souvent.

Les transformateurs ont clairement révolutionné le TALN. Le prochain domaine que les transformateurs sont en train de conquérir, ce sont les tâches de vision. Le transformateur de vision (ViT) d’ ¹ est une référence qui démontre tout le potentiel des transformateurs en vision par ordinateur.

Dans les sections à venir, je vais te montrer comment tu peux exploiter les transformateurs pour des tâches de vision telles que la classification, la segmentation d’images, la segmentation d’instances et la segmentation panoptique. Je t’expliquerai les défis que tu pourrais rencontrer, comment les atténuer lorsque tu travailles avec des ...